dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
dc.contributor.author | Αντωνίου, Ασημάκης | |
dc.date.accessioned | 2024-04-29T07:35:29Z | |
dc.date.available | 2024-04-29T07:35:29Z | |
dc.date.issued | 2024-04 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16430 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3852 | |
dc.description.abstract | Από τα πρώτα χρόνια, η ανθρωπότητα ήταν σε κίνηση. Ορισμένοι άνθρωποι έφευγαν από τον
τόπο τους για την αναζήτηση εργασίας, οικονομικών ευκαιριών ή για να σπουδάσουν. Άλλοι
μετακινούνται για να ξεφύγουν από συγκρούσεις, διώξεις ή πόλεμους. Αντίθετα, κάποιοι
άνθρωποί μεταναστεύουν καθώς έρχονται αντιμέτωποι με τις επιπτώσεις της κλιματικής αλλαγής,
των φυσικών καταστροφών ή άλλων περιβαλλοντικών παραγόντων. Η κατανόηση των
παγκόσμιων μεταναστευτικών προτύπων έχει σημαντικές συνέπειες για τις οικονομικές πολιτικές,
την ανθρωπιστική βοήθεια και την κοινωνική δυναμική. Ωστόσο, η πρόβλεψη αυτών των
μεταναστευτικών ροών είναι εγγενώς πολύπλοκη λόγω της πολύπλευρης αλληλεπίδρασης
οικονομικών, πολιτικών και περιβαλλοντικών παραγόντων.
Ο σκοπός της διπλωματικής αυτής εργασίας αποσκοπεί στην ανάπτυξη ενός εξελιγμένου
μοντέλου πρόβλεψης με τη χρήση Νευρωνικών Δικτύων Γραφημάτων (GNN) για την ανάλυση και
την πρόβλεψη μελλοντικών μεταναστευτικών συνδέσεων. Θεωρώντας τη μετανάστευση ως ένα
δυναμικό δίκτυο, το μοντέλο επιδιώκει να αποκαλύψει κρυμμένα μοτίβα και πιθανές μελλοντικές
τάσεις στην παγκόσμια ανθρώπινη κινητικότητα.
Οι μέθοδοι που θα χρησιμοποιηθούν αποτελούνται από αλγόριθμους βαθιάς μάθησης.
Αρχικά, παρουσιάζουμε την βασική θεωρία στην οποία βασίστηκε η συγκεκριμένη εργασία. Στη
συνέχεια, επεξεργαζόμαστε τα δεδομένα μας με τέτοιο τρόπο ώστε να δημιουργήσουμε για κάθε
χρονική περίοδο ένα δίκτυο. Έχοντας τα γραφήματα αυτά γίνεται ανάλυση των γραφημάτων με
έμφαση την πρώτη και την τελευταία περίοδο 1990-2020. Επιπλέον, δημιουργούνται τα μοντέλα
πρόβλεψης μελλοντικών συνδέσεων. Τέλος, ολοκληρώνουμε την εργασία εξετάζοντας την
ακρίβεια του εκάστοτε μοντέλου και παρουσιάζουμε τις νέες μεθόδους και το μέλλον που
διαφαίνεται στο πεδίο της βαθιάς μηχανικής μάθησης στους γράφους. | el |
dc.format.extent | 51 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού - Παρόμοια Διανομή 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-sa/3.0/gr/ | * |
dc.title | Μεθοδολογίες βαθιάς μάθησης για την πρόβλεψη μεταναστευτικών δικτύων | el |
dc.title.alternative | Deep learning methodologies for migration network prediction | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
dc.description.abstractEN | From the earliest times, humanity was on the move. Some people were leaving their homes in
search of work, economic opportunities or to study. Others moved to escape conflict, persecution
or war. Instead, some people migrate as they face the effects of climate change, natural disasters
or other environmental factors. Understanding global migration patterns has important
implications for economic policies, humanitarian assistance and social dynamics. However,
forecasting these migration flows is inherently complex due to the multifaceted interaction of
economic, political and environmental factors.
The purpose of this thesis aims to develop a sophisticated forecasting model using Graph
Neural Networks (GNN) to analyze and predict future migration linkages. By considering
migration as a dynamic network, the model seeks to reveal hidden patterns and possible future
trends in global human mobility.
The methods to be used consist of deep learning algorithms. First, we present the basic
theory on which this thesis is based. Then, we process our data in such a way that we create a
network for each time period. Having these graphs, we analyze the graphs with a focus on the
first and last period 1990-2020. In addition, we create the models to predict future
links(connections). Finally, we conclude the paper by examining the accuracy of each model and
present new methods and the future of the field of deep machine learning on graphs. | el |
dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
dc.subject.keyword | Graph convolutional neural networks | el |
dc.date.defense | 2024-04 | |